Python实现PSO粒子群优化支持向量机回归模型(svr算法)项目

说明：这是一个机器学习实战项目（附带数据 代码 文档 视频讲解），如需数据 代码 文档 视频讲解可以直接到文章最后获取。

1.项目背景

在污水处理全过程中，为了更好地使解决后的水达到环保标准，在污水处理的每一个环节都是会用水质检测机器设备测量水体，依据水质检测机器设备测出的数据信息，选用相对应的处置方式，使本环节水质指标做到规定，再进到下一个解决环节。

本项目通过PSO粒子群优化支持向量机回归模型，进行水质检测。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有7个变量，数据中无缺失值，共705条数据。

关键代码：

3.3数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：

4.探索性数据分析

4.1 氨氮NH4_N_ET变量的折线图

用Matplotlib工具的plot()方法绘制折线图：

4.2 PH_ET变量箱型图

用Pandas工具的plot(kind=‘box)方法绘制柱状图：

从上图可以看出，PH值均值在7.8左右。

4.3 总氮与氨氮的散点图与拟合线

用seaborn工具的lmplot ()方法绘制散点图与拟合线：

从上图可以看出，总氮和氨氮存在一定的线性关系。

4.4 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。PH_ET和标签NH4_N_ET相关性非常弱，在后续特征工程中可以考虑去掉此特征变量。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建PSO粒子群算法优化支持向量机回归模型

粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。

主要使用PSO粒子群优化SVR算法，用于目标回归。

6.1默认参数构建模型

6.2 PSO粒子群寻找的最优参数

关键代码：

最优参数：

 6.3 最优参数值构建模型

7.模型评估

7.1评估指标及结果

评估指标主要包括可解释方差值、平均绝对误差、均方误差、R方值等等。

从上表可以看出，R方为0.6752 较默认参数优提升；可解释方差值为0.6777 较默认参数优提升，优化后的回归模型效果良好，大家可以基于这个基础上增加粒子群迭代次数等进行调优，我这里的模型评估值为迭代1次的评估值，一般都要迭代100次到1000次，所以大家实际应用时根据需要修改参数值即可。

关键代码如下：

 7.2 真实值与预测值对比图

从上图可以看出真实值和预测值波动基本一致，模型拟合效果良好。

8.结论与展望

综上所述，本文采用了PSO粒子群优化算法寻找支持向量机SVR算法的最优参数值来构建回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。

本次机器学习项目实战所需的资料，项目资源如下：

项目说明：

链接：https://pan.百度.com/s/1c6mQ_1YaDINFEttQymp2UQ

提取码：thgk

这篇好文章是转载于：学新通技术网